Разработка нейросетевой программы прогнозирования стоимостных показателей объектов - Программирование, компьютеры и кибернетика дипломная работа

Главная

Программирование, компьютеры и кибернетика
Разработка нейросетевой программы прогнозирования стоимостных показателей объектов

Функциональные возможности программного продукта. Требования к программным и аппаратным средствам. Обоснование выбора наилучшей модели для прогнозирования стоимостных показателей объектов. Разработка пользовательского интерфейса и модулей программы.


посмотреть текст работы


скачать работу можно здесь


полная информация о работе


весь список подобных работ


Нужна помощь с учёбой? Наши эксперты готовы помочь!
Нажимая на кнопку, вы соглашаетесь с
политикой обработки персональных данных

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
1. Обзор научно-технической литературы и анализ состояния проблемы
1.1 Обзор научно-технической литературы и существующих программных продуктов
2. Техническое задание на разработку нейросетевой программы прогнозирования стоимостных показателей объектов
3. Обоснование выбора наилучшей модели для прогнозирования стоимостных показателей объектов
3.2 Подбор наилучшей модели нейронной сети для прогнозирования стоимостных показателей объектов
4. Разработка программно-алгоритмического обеспечения
4.1 Обоснование выбора средств разработки
4.4 Разработка пользовательского интерфейса
4.5 Разработка алгоритма загрузки нейронной сети в проект
4.6 Разработка алгоритма работы конструктора создания нейросетевой экспертной системы
4.7 Разработка алгоритма загрузки данных в проект
5. Организационно-экономический раздел
5.1 Экономическое обоснование необходимости разработки программного обеспечения
5.2 Расчёт затрат на создание программного обеспечения, цены и прибыли от его реализации
5.3 Расчёт затрат, связанных с покупкой, внедрением и использованием программного обеспечения
Приложение А (обязательное). Листинг команд среды Matlab для подбора оптимальной архитектуры ИНС
Приложение Б (обязательное). Схема алгоритма загрузки нейронной сети в проект
Приложение В (обязательное). Схема алгоритма работы мастера создания НЭС
Приложение Г (обязательное). Схема алгоритма загрузки файла Excel в проект
Приложение Д (обязательное). Исходный код программы
Приложение E (обязательное). Авторская справка
Прогнозирование применяется во многих областях человеческой деятельности, таких как наука, управление, экономика, производство и множество других сфер.
Понятие прогнозирования не имеет четко очерченных границ и активно взаимодействует со смежными задачами  анализа  данных. Одно из определений прогнозирования было дано Г. Тейлом: «некоторое суждение относительно неизвестных, особенно будущих, событий» [1].
Прогнозирование является одним из ключевых моментов при принятии решений и направлено на определение тенденций динамики конкретного объекта или события на основе ретроспективных данных, т.е. анализа его состояния в прошлом и настоящем.
Необходимость прогноза может быть обусловлена стремлением предугадать значение некоторых показателей в будущем или оценить показатели некоторого объекта, основываясь на известных данных о нем. Точность любого прогноза обусловлена:
объёмом истинных (верифицированных) исходных данных и периодом их сбора;
объёмом неверифицированных исходных данных, периодом их сбора;
свойствами системы, объекта, подвергающихся прогнозированию;
методиками и подходами к прогнозированию.
К основным методам прогнозирования относятся
Вариантов практического применения прогноза на сегодняшний день достаточно много: это предсказания на фондовых рынках, предсказание результатов спортивных игр, оценка недвижимости, предсказание экономических показателей и так далее.
Актуальность выбранной темы квалификационной работы обусловлена тем, что в настоящее время большинство организаций, в особенности коммерческих, нуждаются в эффективном прогнозе для принятия управленческих решений, что позволит им повысить эффективность своей деятельности. Как уже было сказано выше, существуют различные методы прогнозирования. Те методы, которые требуют участия высококвалифицированных экспертов, часто оказываются неприменимыми в небольших организациях по причине высокой стоимости услуг профессиональных экспертов.
Для таких организаций наиболее приемлемым методом является приобретение программного обеспечения для осуществления прогнозов.
Программное обеспечение, используемое для осуществления прогнозов, можно условно разделить на два класса: реализующее статистические методы прогнозирования и использующее технологии нейронных сетей.
Рядом научных исследований было доказано, что использование нейронных сетей для прогнозирования дает некоторые преимущества относительно статистических прогнозов, так как нейронные сети являются более чувствительными к параметрам [3,4,5].
Способности нейронной сети к прогнозированию напрямую следуют из ее способности к обобщению и выделению скрытых зависимостей между входными и выходными данными. После обучения сеть способна предсказать будущее значение некой последовательности на основе нескольких предыдущих значений и/или существующих в настоящий момент факторов [6].
Проблема, на решение которой будет направлена квалификационная работа, заключается в необходимости создания простого в использовании, доступного по цене для небольших компаний инструмента для осуществления прогнозов, преимущественно экономического характера.
Целью дипломного проектирования является разработка программы прогнозирования стоимостных показателей объектов с использованием нейронных сетей, предназначенной для использования в небольших коммерческих и некоммерческих организациях.
1. Обзор научно-технической литературы и анализ состояния проблемы
В данном разделе произведен анализ научно-технической литературы, касающейся искусственных нейронных сетей и их применения для решения задач прогнозирования, осуществлён поиск и обзор существующего программного обеспечения, предназначенного для осуществления прогнозов средствами искусственных нейронных сетей, выделены слабые и сильные стороны каждого из рассмотренных программных продуктов.
1.1 Обзор научно-технической литературы и существующих программных продуктов
В данном пункте приведен обзор научно-технической литературы, рассмотрены существующие программные продукты, выделены достоинства и недостатки каждого из продуктов.
1.1.1 Обзор научно-технической литературы
В настоящее время существует достаточно обширное количество литературы, посвященной применению искусственных нейронных сетей для решения задач прогнозирования.
Интерес к применению нейронных сетей для решения прикладных задач прогнозирования начал активно возрастать в 80-90-е годы XX века и остается актуальным в настоящее время. В статье [3] экспериментально доказывается возможность и эффективность применения нейронной сети прямого распространения сигнала для решения задачи прогнозирования временных рядов с нелинейными зависимостями. В статье [4] на примере предсказания соотношения показателя «соматическая продукция - биомасса» в экосистемах эмпирически доказывается то, что использование нейронных сетей прямого распространения сигнала и обратного распространения ошибки является более эффективным для предсказания по сравнению с линейной регрессией.
Авторы статьи [5] сравнили результаты применения искусственной нейронной сети и модели множественной линейной регрессии для моделирования структуры капитала в экономически развитых странах и пришли к выводу, что обученная искусственная нейронная сеть оказалась эффективнее благодаря большей чувствительности к изменению показателей.
Оценка исследований относительно эффективности нейронных сетей в решении задач прогнозирования, описанных в статье [6] показала, что в 19 из 22 (86%) исследованных случаях нейронные сети показали более высокие результаты по сравнению с другими моделями.
Тем не менее, в применении искусственных нейронных сетей прямого распространения сигнала и обратного распространения ошибки существует и ряд проблем, например, проблема выбора наилучшей архитектуры сети и проблема переобучения сети при изменении первичных данных [7].
Помимо искусственных нейронных сетей типа «многослойный персептрон» для решения задач прогнозирования используются также и искусственные нейронные сети с радиально-базисными функциями и их подвид «обобщенные регрессионные сети». Некоторыми из важных преимуществ данных сетей является высокая скорость их обучения с заданной точностью, а также отсутствие необходимости в подборе архитектуры сетей такого типа [8].
В статье [9] дается теоретическое обоснование эффективности искусственных нейронных сетей с радиально-базисными функциями для решения задач прогнозирования и аппроксимации функций. В статье [10] эмпирически доказывается эффективность искусственных нейронных сетей с радиально-базисными функциями для прогнозирования цен на золото. В разделе, посвященном искусственным нейронным сетям с радиально-базисными функциями книги [11] теоретически обосновывается и доказывается эффективность применения таких сетей для решения различных задач прогнозирования.
1.1.2 Обзор существующих программных продуктов
В настоящее время на рынке программного обеспечения существует множество программных продуктов для создания, обучения и использования нейронных сетей, которые являются удобными инструментами для разработки нейросетевых экспертных систем. В данном разделе рассматриваются некоторые из них.
Программа Neuro Pro (версия 0.25) является свободно распространяемой версией нейросетевого программного продукта для работы с искусственными нейронными сетями в среде Microsoft Windows. На рисунке 1.1 приведено изображение окна пользовательского интерфейса программы.
Рисунок 1.1 - Окно пользовательского интерфейса программы Neuro Pro (версия 0.25)
работа с файлами в форматах *.dbf и *.db;
создание многослойных нейронных сетей с числом слоев до 10 и нейронов в слое до 100;
использование нелинейной сигмоидной функции;
обучение нейронной сети по алгоритму обратного распространения ошибки с применением одного из методов оптимизации (градиентный спуск, модифицированный ParTan, метод сопряженных градиентов;
генерация вербального описания нейронной сети [7].
К достоинствам программы можно отнести то, что она является бесплатной, имеется графический интерфейс пользователя на русском языке, подходит для решения учебных задач и позволяет изменять множество параметров при создании и обучении нейронных сетей.
Среди недостатков следует выделить следующие:
отсутствие поддержи ОС Windows старше Windows XP;
поддержка единственного вида сетей - многослойного персептрона;
ограниченный набор методов оптимизации;
для использования программы необходимо знание нейронных сетей;
бесплатная версия программы не поддерживается разработчиком уже несколько лет.
Alyuda Forecasting Software - коммерческое нейросетевое программное обеспечение для Windows 9x/2000/XP/Vista.
Позволяет выполнять финансовые и бизнес - прогнозы, а также анализировать данные с использованием технологии нейронных сетей [13]. На рисунке 1.2 приведено изображение окна пользовательского интерфейса программы.
Рисунок 1.2 - Окно пользовательского интерфейса программы Alyuda Forecasting Software
возможность работы в трёх режимах: базовом, стандартном, а также в режиме для экспертов;
возможность автоматической и ручной предварительной обработки данных;
автоматический и ручной выбор архитектуры сети и параметров обучения;
включены примеры решения финансовых, маркетинговых, научных задач и задач оценки недвижимости;
работа с нейронными сетями типа «многослойный персептрон»
обучение нейронной сети по алгоритму обратного распространения ошибки с применением наиболее эффективных методов оптимизации (метод сопряженных градиентов, «Quick-propagation», алгоритм Левенберга-Маркардта) [14].
Достоинства программы определены её широкими возможностями, из которых следует особенно выделить возможность применения наиболее эффективных на сегодняшний день методов оптимизации, работа в трёх различных пользовательских режимах, что позволяет использовать программу широкому кругу пользователей.
Недостатками данного продукта являются:
поддержка единственного вида сетей - многослойного персептрона;
относительно высокая стоимость продукта (1297 долларов США) [14].
NeuralWorks Predict - коммерческое нейросетевое программное обеспечение для ОС семейства Windows, Linux, Oracle/SUN Sparc/Solaris.
NeuralWorks Predict является современным инструментов для быстрого создания и развертывания приложений для решения задач прогнозирования и классификации.
Данный продукт сочетает в себе технологии нейронных сетей с использованием генетических алгоритмов, статистические методы, инструменты для работы с нечеткой логикой для автоматического поиска оптимальных или близких к оптимальным решений для широкого круга задач.
Predict не требует предварительных знаний о нейронных сетях. При минимальном участии пользователя, он решает все вопросы, связанные с созданием надежных математических моделей на основе доступных эмпирических данных. Для продвинутых пользователей предусмотрен доступ ко всем ключевым параметрам обучения сети. На рисунке 1.3 приведено изображение окна пользовательского интерфейса программы.
Рисунок 1.3 - Окно пользовательского интерфейса программы NeuralWorks Predict
возможность визуализации процесса обучения;
возможность интеграции с Microsoft Excel;
встроен инструмент кластеризации данных на основе самоорганизующихся карт Кохонена;
поддержка различных операционных систем [15].
К недостаткам программы следует отнести следующие:
на официальном сайте заявлена относительно высокая стоимость продукта (2495 долларов США для ОС Linux/Windows, 4995 долларов США для других ОС) [15].
NeuroDimensions NeuroSolutions - коммерческое нейросетевое программное обеспечение для ОС Windows XP/Vista/7/8.
NeuroSolutions является простым в использовании инструментом создания и обучения нейронных сетей для ОС Microsoft Windows. Продукт поддерживает расширенные процедуры обучения и оптимизации с использованием генетических алгоритмов. Имеются возможности для кластерного анализа, прогнозирования продаж, спортивных прогнозов и решения других задач.
На рисунке 1.4 приведено изображение окна пользовательского интерфейса программы.
возможность визуализации процесса обучения;
возможность интеграции с Microsoft Excel;
возможность интеграции с Mathworks Matlab;
поддержка режимов работы программы как с продвинутыми пользователями, так и с пользователями, не знакомыми с технологиями нейронных сетей;
поддержка различных архитектур и типов нейронных сетей;
широкие возможности распараллеливания вычислений с использованием GPU видеокарт nVidia (технология CUDA) [16].
Рисунок 1.4 - Окно пользовательского интерфейса программы NeuroSolutions
К недостаткам программы следует отнести следующие:
относительно высокая стоимость продукта (1338 долларов США) [17].
STATISTICA NeuralNetworks for Windows - коммерческое нейросетевое программное обеспечение для ОС Windows XP/Vista/7/8.
Данный продукт предоставляет разнообразные функциональные возможности, для работы с очень сложными задачами, включающие не только новейшие архитектуры нейронных сетей и алгоритмы обучения, но также и новые подходы в отборе входных данных и построении сети. На рисунке 1.5 приведено изображение пользовательского интерфейса программы.
Возможности и достоинства продукта:
пре- и пост-процессирование, включая выбор данных, кодирование номинальных значений, шкалирование, нормализация, удаление пропущенных данных с интерпретацией для классификации, регрессия и задачи временных рядов;
мощные разведочные и аналитические технологии, в том числе анализ главных компонент и понижение размерности для выбора нужных входных переменных в разведочном (нейросетевом) анализе данных;
самые современные, оптимизированные и мощные алгоритмы обучения сети (включая методы сопряженных градиентов и Левенберга-Маркардта);
полный контроль над всеми параметрами, влияющими на качество сети, такими как функции активации и ошибок, сложность сети;
поддержка ансамблей нейросетей и нейросетевых архитектур неограниченного размера, созданных в наборах сетей;
выборочное обучение нейросетевых сегментов, объединение, и сохранение наборов сетей в отдельных файлах;
полная интеграция с системой STATISTICA: все результаты, графики, отчеты и т.д. могут быть в дальнейшем модифицированы с помощью мощных графических и аналитических инструментов STATISTICA;
поддержка различных архитектур и типов нейронных сетей (в т.ч. RBF, рекурсивных сетей и др.);
программное обеспечение полностью русифицировано [18].
Рисунок 1.5 - Окно пользовательского интерфейса программы STATISTICA NeuralNetworks for Windows
для работы в среде необходимы как минимум начальные знания нейросетевых технологий;
стоимость продукта достаточно высока для небольших предприятий (1997 долларов США) [19].
Stuttgart Neural Networks Simulator - нейросетевое программное обеспечение для Unix - подобных систем.
Программное обеспечение разработано в Институте параллельных и распределенных высокопроизводительных систем (IPVR) в Университете Штутгарта, Германия. Целью проекта является создание эффективной и гибкой среды моделирования для исследования и применения нейронных сетей. На рисунке 1.6 приведено изображение пользовательского интерфейса программы.
Рисунок 1.6 - Окно пользовательского интерфейса программы Stuttgart Neural Networks Simulator
Программное обеспечение предоставляет возможность моделирования и применения следующих типов нейронных сетей:
рекуррентные сети каскадной корреляции;
сети Элмана и расширенные иерархические сети Элмана;
Имеются широкие возможности визуализации, в том числе трехмерной. Данное программное обеспечение распространяется по лицензии LGPL и является бесплатным для научных и исследовательских целей. Несмотря на то, что данное ПО является мощным и гибким инструментом для работы с нейронными сетями, у него есть следующие недостатки:
данное программное обеспечение не русифицировано;
для работы с SNNS требуются достаточно глубокие знания в сфере информационных технологий, в частности знания нейросетевых технологий и высокий профессионализм пользователя;
наиболее эффективно SNNS работает в системах с большим количеством процессоров под управлением Unix - подобных операционных систем.
Несмотря на то, что на сегодняшний день для решения задач прогнозирования существует множество программных продуктов, все они имеют определенные недостатки, которые препятствуют широкому применению нейросетевых программ для решения задач прогнозирования в небольших огранизациях.
Программа NeuroPro v.0.25, хотя и является бесплатной, не поддерживается современными операционными системами, такими как Windows 7, к тому же, имеет сложный для непрофессионального пользователя интерфейс.
Программа SNNS, преимуществом которой является её свободное распространение, оказывается непригодной для использования в небольших организациях по причие сложного неруссифицированного интерфейса, а также по причине того, что наилучшим образом она работает только в Unix-подобных операционных системах. Для небольших организаций оплата труда специалистов, имеющих знание Unix-подобных систем, нейросетевых технологий и иностранного языка, перекрывает преимущества открытости данного программного продукта.
Продукты NeuroSolutions, NeuralWorks Predict, Alyuda Forecaster являются неруссифицированными и к тому же распространяются по относительно высокой цене.
Программа STATISTICA NeuralNetworks for Windows, несмотря на преимущества полностью руссифицированного интерфейса и большого набора возможностей, является относительно дорогой даже для средних по величине организаций.
Таким образом, можно сделать вывод, что существующие на сегодняшний день решения не лишены недостатков: недостатком большинства коммерческих продуктов является их относительно высокая цена для небольших компаний, а также отсутствие руссифицированных версий (за исключением продукта STATISTICA NeuralNetworks for Windows). Бесплатное же программное обеспечение является либо устаревшим (как NeuroPro v.0.25), либо не подходящим для использования специалистами, не знакомыми с технологиями нейронных сетей и сложное в освоении (как SNNS). Поэтому необходимо разработать простой, удобный в использовании, полностью руссифицированный и недорогой инструмент для прогнозирования стоимостных показателей объектов с использованием нейронных сетей.
Обзор научно-технической литературы показал, что выбранная предметная область дипломного проекта является актуальной, что подтверждается множеством опубликованных статей. Также было показано, что нейронные сети успешно применяются для прогнозирования различных показателей во многих областях. Произведенный обзор аналогов выявил, что существующие на сегодняшний день решения не лишены недостатков: недостатком большинства коммерческих продуктов является их относительно высокая цена для небольших компаний, а также отсутствие русифицированных версий. Бесплатное же программное обеспечение является либо устаревшим, либо не подходящим для использования специалистами, не знакомыми с технологиями нейронных сетей и сложное в освоении.
2. Техническое задание на разработку нейросетевой программы прогнозирования стоимостных показателей объектов.
Целью дипломного проектирования является создание удобного и простого в использовании инструмента прогнозирования стоимостных показателей объектов, предназначенного для использования в небольших коммерческих и некоммерческих организациях.
Задачей является разработка программного продукта для прогнозирования стоимостных показателей объектов с использованием нейронных сетей.
Разрабатываемая программа предназначена для получения прогнозов на основе обученных искусственных нейронных сетей.
2.2 Функциональные возможности программного продукта
Продукт должен обладать следующими функциональными возможностями.
2.2.1 Программный продукт должен включать в себя следующие модули:
модуль работы с нейронными сетями, созданными в среде Matlab;
модуль работы с нейронными сетями, созданными в программе;
модуль работы с проектами программы;
Модуль работы с нейронными сетями, созданными в среде Matlab должен предоставлять возможности:
загрузка нейронных сетей и проверка совместимости загружаемой сети с программным продуктом;
получение выходных результатов обработки нейронной сетью на основе входных данных.
Модуль работы с проектами программы должен предоставлять возможность загрузки и сохранение проекта программы.
Модуль работы с данными должен предоставлять возможности:
загрузка файлов формата Excel и его проверка на совместимость с программным продуктом;
сохранение отредактированных файлов;
нормализация и денормализация обучающей выборки;
проверка загружаемых данных на соответствие требуемому типу.
Модуль работы с данными должен предоставлять возможности:
загрузка файлов формата Excel и его проверка на совместимость с программным продуктом;
сохранение отредактированных файлов;
нормализация и денормализация обучающей выборки;
проверка загружаемых данных на соответствие требуемому типу.
Модуль отображения результатов должен выполнять функцию формирования оконных форм для отображения работы с вышеперечисленными модулями программы.
возможность загрузки данных из файла типа *.xls;
возможность загрузки нейронных сетей, созданных в среде Matlab из файлов типа *.mat;
возможность загрузки нейронных сетей, созданных в программе из файлов типа *.ncnet;
возможность редактирования и сохранения данных.
Требования к модулю справочной информации
Предусмотреть разработку руководства пользователя по работе с программой.
2.3 Требования к программным и аппаратным средствам
Разрабатываемая программа предназначена для использования на персональной ЭВМ, обладающей следующими минимальными характеристиками, позволяющими работать с программой более эффективно:
центральный процессор Intel Pentium 4 - 1,9 ГГц или аналогичный и выше;
монитор с разрешением от 1024*768 пикс;
видеокарта SVGA с объемом памяти не менее 32 Мб;
установленная ОС Microsoft Windows XP/Vista/7 и выше;
установленный Microsoft .NET Framework версии 4.0 (распространяется бесплатно);
установленная среда Matlab Compiler Runtime v.413 32 bit (распространяется бесплатно) для возможности работы с нейронными сетями, созданными в среде Matlab;
2.4 Выбор критериев качества разрабатываемого программного продукта
Разрабатываемый программный продукт должен отвечать показателям качества, которые определены в [27].
Показателем надежности является работоспособность - способность программы функционировать в заданных режимах и объемах обрабатываемой информации в соответствии с программными документами при отсутствии сбоев технических средств.
Показателем удобства применения является доступность эксплуатационных программных документов - понятность, наглядность и полнота описания взаимодействия пользователя с программой в эксплуатационных программных документах.
К показателям корректности относятся:
полнота реализации - полнота реализации заданных функций ПС и достаточность их описания в программной документации.
согласованность - однозначное, непротиворечивое описание и использование тождественных объектов, функций, терминов, определений, идентификаторов и т.д. в различных частях программных документов и текста программы.
логическая корректность - функциональное и программное соответствие процесса обработки данных при выполнении задания общесистемным требованиям.
проверенность - полнота проверки возможных маршрутов выполнения программы в процессе тестирования.
Предусмотреть следующие пункты меню программы:
Стадии и этапы разработки программного продукта приведены в таблице 2.1.
Таблица 2.1 Этапы разработки приложения
Исследование подходов к созданию приложений для прогнозирования с использованием нейронных сетей, а также имеющихся на сегодняшний день решений
Разработка .NET библиотеки в среде Matlab для работы с нейронными сетями
Разработка структуры программы (иерархии классов, модулей)
Создание интерфейса и модуля для работы с нейронными сетями, импортированными из Matlab
Разработка графического интерфейса пользователя для создания инструментов прогнозирования с использованием нейронных сетей, созданных в среде Matlab
Объединение разработанных частей в единое приложение
Разработка руководства пользователя программы
Испытание представленной программы и контроль качества ее работы провести на базе кафедры ЭВМ факультета автоматики и вычислительной техники ВятГУ. Во время испытаний проверить работу системы по следующим позициям:
импорт нейронной сети, созданной в среде Matlab и её тестирование;
обучение нейронной сети и её тестирование;
сохранение готового проекта и его загрузка.
Поставлено техническое задание на разработку нейросетевой программы прогнозирования стоимостных показателей объектов, определены основные функциональные возможности программного продукта, обозначены требования к программным и аппаратным средствам, поределены этапы и сроки разработки.
3. Обоснование выбора наилучшей модели для прогнозирования стоимостных показателей объектов
В данном разделе проанализирован математический аппарат искусственных нейронных сетей и проведен эксперимент по подбору наилучшей модели для прогнозирования стоимостных показателей объектов.
В данном подразделе рассматриваются нейронные сети типа многослойный персептрон и РБФ. Способность нейронных сетей типа многослойный персептрон решать задачи регрессии и прогнозирования неоднократно подтверждалась различными исследованиями, например [3,4,5], причем ИНС данного типа справляются с решением задач этого класса, как правило, эффективнее, чем модель множественной линейной регрессии благодаря тому, что обладают большей чувствительностью к изменению параметров [3,4,5]. Способность РБФ сетей успешно решать задачи регрессии и прогнозирования также неоднократно доказывалась рядом исследований, например [21,22]. К тому же, в среде Matlab существует даже специальный класс сетей, предназначенных специально для этих целей - обобщенные регрессионные сети (general regression networks), которые, в сущности, являются РБФ сетями.
3.1.1 Искусственная нейронная сеть типа многослойный персептрон
Изучение искусственной нейронной сети следует начать с рассмотрения модели искусственного нейрона.
На рисунке 3.1 изображена модель простого искусственного нейрона.
Рисунок 3.1 - Модель простого нейрона
На вход искусственного нейрона поступает некоторое множество сигналов pi, которые, умножаясь на соответствующие веса w1i, суммируются друг с другом. К этой сумме прибавляется смещение b и результат n подается в качестве аргумента активационной функции f, значение которой при данном аргументе является выходом a нейрона. Таким образом, модель простого искусственного нейрона можно описать следующей формулой
В качестве активационной функции могут выступать следующие функции:
линейная функция f(x) = tx, где t - параметр функции;
пороговая функция или функция Хевисайда - представляет собой «перепад»: до тех пор, пока взвешенный сигнал на входе нейрона не достигает некоторого уровня T, -- сигнал на выходе равен нулю. Как только сигнал на входе нейрона превышает указанный уровень -- выходной сигнал скачкообразно изменяется на единицу;
сигмоидальная функция f(x) = 1/(1 + е-x);
гиперболический тангенс f(x) = th(x).
Для решения практических задач, как правило, используют слоистые нейронные сети [21]. На рисунке 3.2 показан слой искусственных нейронов.
Рисунок 3.2 - Слой искусственных нейронов
Входы слоя pi одновременно являются входами для всех нейронов слоя, веса wir задаются матрицей весов W. Каждый i-й нейрон формирует выход ai , в итоге выходы слоя формируют вектор-столбец a.
Количество входов в слое может не совпадать с количеством нейронов. В каждом слое используется, как правило, одна и та же функция активации, хотя при необходимости можно выставить различные функции активации.
Более крупные и сложные нейронные сети обладают, как правило, и большими вычислительными возможностями: многослойные сети обладают большими возможностями, чем однослойные, и в последние годы были разработаны алгоритмы для их обучения [7]. На рисунке 3.3 показана модель трехслойной нейронной сети.
Рисунок 3.3 - Трехслойная нейронная сеть
Как видно из рисунка 3.3, выходы одного слоя являются входами для последующего слоя. Сети такого вида получили название «сети прямого распространения сигнала».
Следует отметить, что многослойные нейронные сети могут привести к увеличению вычислительной мощности по сравнению с однослойной сетью лишь в том случае, если активационная функция между слоями будет нелинейной. В противном случае вычисление выхода слоя заключается в умножении входного вектора на первую весовую ма
Разработка нейросетевой программы прогнозирования стоимостных показателей объектов дипломная работа. Программирование, компьютеры и кибернетика.
реферат на тему Этикет в устной речи
Эссе Я Концепция
Реферат По Биологии 7 Класс
Лабораторная работа: Организация ввода-вывода
Банковская Деятельность Курсовая
Реферат На Тему Аллергия
Дипломная работа по теме Основные приоритеты и направления развития социальной защиты населения
Юлий Ким Эссе Читать
Курсовая работа по теме Правовые вопросы государственной системы обязательного медицинского страхования
Гдз По Русскому Контрольные Работы 4 Класс
Реферат: Новый способ регулирования угла выстоя и классификация регулируемых зубчато-рычажных механизмов периодического поворота
Реферат по теме Особенности записи сигналов изображения
Учебное пособие: Открытый урок математики во 2 "В" классе по теме: "Устное сложение и вычитание в пределах 100
Реферат: Факторы, влияющие на результаты трудовой деятельности работника в организации: личностные и внешние
Реферат: Рекомендуемый перечень тем ивных работ по предмету «историЯ и культурА таймыра» для подготовки к зачету в экзаменационную сессию 2008-2009 уч. Года
Эссе На Тему История Слова Магия
Курсовая работа по теме Исследование термодинамических возможностей получения меди с применением программного комплекса 'Астра-4'
Дипломная работа по теме Коррекция негативных эмоциональных состояний у детей старшего дошкольного возраста методом сказкотерапии
Реферат: Судьба и стихи Николая Гумилева
Эссе На Тему
Контроль якості та безпечності харчових продуктів - Кулинария и продукты питания курсовая работа
Механизм государства - Государство и право реферат
Основы технологии производства шоколадной колбасы - Кулинария и продукты питания курсовая работа